Een nieuw type materiaal kan leren en zijn vermogen om onverwachte krachten aan te pakken verbeteren dankzij een unieke roosterstructuur met verbindingen van variabele stijfheid, zoals beschreven in een nieuw artikel door mijn collega's en mij.
Het nieuwe materiaal is een soort architectonisch materiaal, dat zijn eigenschappen voornamelijk ontleent aan de geometrie en specifieke kenmerken van het ontwerp, in plaats van aan het materiaal waaruit het is gemaakt. Neem bijvoorbeeld klittenbandsluitingen zoals klittenband. Het maakt niet uit of het is gemaakt van katoen, plastic of een andere stof. Zolang de ene kant een stof is met stijve haken en de andere kant pluizige lussen heeft, zal het materiaal de plakkerige eigenschappen van klittenband hebben.
Mijn collega's en ik hebben de architectuur van ons nieuwe materiaal gebaseerd op die van een kunstmatig neuraal netwerk - lagen van onderling verbonden knooppunten die leer taken te doen door te veranderen hoeveel belang of gewicht ze aan elke verbinding hechten. Onze hypothese was dat een mechanisch rooster met fysieke knopen getraind zou kunnen worden om bepaalde mechanische eigenschappen aan te nemen door de stijfheid van elke verbinding aan te passen.
Om erachter te komen of een mechanisch rooster nieuwe eigenschappen zou kunnen aannemen en behouden, zoals een nieuwe vorm aannemen of de richtingssterkte veranderen, begonnen we met het bouwen van een computermodel. We selecteerden vervolgens een gewenste vorm voor het materiaal en de invoerkrachten en lieten een computeralgoritme de spanningen van de verbindingen afstemmen zodat de invoerkrachten de gewenste vorm zouden produceren. We deden deze training op 200 verschillende roosterstructuren en ontdekten dat een driehoekig rooster het beste was om alle geteste vormen te bereiken.
Als de vele verbindingen eenmaal zijn afgestemd om een reeks taken te bereiken, zal het materiaal op de gewenste manier blijven reageren. De training wordt - in zekere zin - onthouden in de structuur van het materiaal zelf.
Vervolgens hebben we een fysiek prototype-rooster gebouwd met verstelbare elektromechanische veren die in een driehoekig rooster zijn gerangschikt. Het prototype is gemaakt van 6-inch verbindingen en is ongeveer 2 voet lang en 1½ voet breed. En het werkte. Toen het rooster en het algoritme samenwerkten, was het materiaal in staat om op bepaalde manieren te leren en van vorm te veranderen wanneer het werd blootgesteld aan verschillende krachten. We noemen dit nieuwe materiaal een mechanisch neuraal netwerk.
Waarom het uitmaakt
naast wat levende weefsels, zeer weinig materialen kunnen leren beter om te gaan met onverwachte belastingen. Stel je een vliegtuigvleugel voor die plotseling een windvlaag vangt en in een onverwachte richting wordt gedwongen. De vleugel kan het ontwerp niet veranderen om sterker te zijn in die richting.
Het prototype-roostermateriaal dat we hebben ontworpen, kan zich aanpassen aan veranderende of onbekende omstandigheden. In een vleugel kunnen deze veranderingen bijvoorbeeld de opeenhoping van interne schade zijn, veranderingen in hoe de vleugel aan een vaartuig is bevestigd of fluctuerende externe belastingen. Elke keer dat een vleugel gemaakt van een mechanisch neuraal netwerk een van deze scenario's ervoer, kon het zijn verbindingen versterken en verzachten om gewenste eigenschappen zoals richtingskracht te behouden. Na verloop van tijd, door opeenvolgende aanpassingen door het algoritme, neemt de vleugel nieuwe eigenschappen aan en handhaaft ze, waarbij elk gedrag aan de rest wordt toegevoegd als een soort spiergeheugen.
Dit type materiaal zou verreikende toepassingen kunnen hebben voor de levensduur en efficiëntie van gebouwde constructies. Niet alleen zou een vleugel gemaakt van een mechanisch neuraal netwerkmateriaal sterker kunnen zijn, hij zou ook kunnen worden getraind om te veranderen in vormen die de brandstofefficiëntie maximaliseren als reactie op veranderende omstandigheden eromheen.
Wat is er nog niet bekend
Tot nu toe heeft ons team alleen met 2D-roosters gewerkt. Maar met behulp van computermodellering voorspellen we dat 3D-roosters een veel groter leer- en aanpassingsvermogen zouden hebben. Deze toename is te wijten aan het feit dat een 3D-structuur tientallen keren meer verbindingen, of veren, zou kunnen hebben die elkaar niet kruisen. De mechanismen die we in ons eerste model gebruikten, zijn echter veel te complex om te ondersteunen in een grote 3D-structuur.
Wat is het volgende
Het materiaal dat mijn collega's en ik hebben gemaakt, is een proof of concept en toont het potentieel van mechanische neurale netwerken. Maar om dit idee in de echte wereld te brengen, moet je uitzoeken hoe je de afzonderlijke stukken kleiner kunt maken en met precieze eigenschappen van flex en spanning.
We hopen dat nieuw onderzoek in de fabricage van materialen op micronschaal, evenals werken aan nieuwe materialen met instelbare stijfheid, zal leiden tot vooruitgang die in de nabije toekomst krachtige slimme mechanische neurale netwerken met elementen op micronschaal en dichte 3D-verbindingen tot een alomtegenwoordige realiteit maakt.
Dit artikel is opnieuw gepubliceerd vanaf The Conversation onder een Creative Commons-licentie. Lees de originele artikel.
Krediet van het beeld: Flexibele onderzoeksgroep aan de UCLA
